Factor multivariate stochastic volatility models of high dimension
高维因子多元随机波动率模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以因子分解建模高维随机波动率，并将预测表现用于投资组合配置。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维因子多元随机波动率模型
- 研究问题
- 如何利用因子分解缓解多元随机波动率模型的维度问题，并在共同因子需要估计时进行有效估计和预测分析？
- 方法与思路
- 作者构建因子多元随机波动率框架，先估计因子模型，再以估计共同因子拟合波动率部分，并推导考虑因子估计误差的渐近性质。
- 材料陈述的贡献
- 摘要提出两阶段估计程序及其渐近分析，并通过有限样本模拟与投资组合配置应用展示该模型的预测表现。
- 阅读关注点
- 应核对因子归一化、维度与样本量的渐近关系、第一阶段误差如何传递，以及预测和组合配置的比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明具体渐近条件和预测数值，无法判断其相对其他方法的优势。
原文摘要
Building upon factor decomposition to overcome the curse of dimensionality inherent in multivariate volatility processes, we develop a factor model-based multivariate stochastic volatility (fMSV) framework. We propose a two-stage estimation procedure for the fMSV model: in the first stage, estimators of the factor model are obtained, and in the second stage, the MSV component is estimated using the estimated common factor variables. We derive the asymptotic properties of the estimators, taking into account the estimation of the factor variables. The prediction performances are illustrated by finite-sample simulation experiments and applications to portfolio allocation.